智谱加入 AI 视频竞赛：使用 DiT 架构，30 秒生成视频片段

这两天，AI视频生成赛道越来越热闹了。

7月24日，快手可灵全面开放内测；同一天，创企爱诗科技发布产品PixVerse V2，可生成多达40秒的高质量短视频；26日，独角兽智谱AI上线AI视频生成功能“清影”。

“清影”支持时长6s的文生视频/图生视频，清晰度为1440×960。跟其他家不同，智谱AI这次直接推出付费版本——付费5元，解锁一天24小时的高速权益，付费199元，解锁一年的付费高速权益。

当然，所有人还是可以免费使用，不用排队，也不限次数。

一年的AI视频生成付费高速权益只要199元，跟不少互联网产品的会员包年费用相差无几，AI视频生成好像真的离普通用户越来越近了。

一：一天5元，免费也行

目前，「清影」已上线清言App，面向所有用户免费开放。在智谱清言PC/APP上，点击「清影智能体」，就可以开玩了。

用户只需要输入一段文字，然后选择自己喜欢的风格，再配上清影自带的音乐，等待30秒左右，就可以生成一段视频。

如果想要输出的视频更符合心中所想，还可以按照结构性原则来写prompt（提示词），清影使用手册里给出了两款公式结构：

简单公式：[摄像机移动]+[建立场景]+[更多细节]

复杂公式：[镜头语言] + [光影] + [主体 (主体描述)] + [主体运动] +[场景 (场景描述)] +[情绪/氛围/风格]

笔者一步到位，按照复杂公式的要求输入了以下提示词：摄影机平移，一个红发小精灵睡在旋转木马的躺椅上，翻了个身。他浑身毛茸茸的，看起来很可爱，背景是璀璨银河，星光洒在精灵身上，随着旋转木马的转动，小精灵露出了满足的笑容。

「清影」文生视频｜视频来源：极客公园

从生成效果来看，还是蛮符合设定也蛮可爱的。

文生视频之外，清影这次也开放了图生视频的能力，输入一张图片+相应的提示词，或者只输入图片，清影就可以生成视频画面。

极客公园养有许多猫猫，笔者随机抓拍了一只眼睛瞪圆溜溜的小猫，把这张图片喂给清影，再输入提示词：图中的猫咪给自己戴上墨镜，动作连贯自然且真实，画质高清。

极客公园的小猫「毛栗栗」｜图片来源：极客公园

「清影」图生视频｜视频来源：极客公园

智谱AI CEO 张鹏介绍，清影（Ying）底座的视频生成模型是CogVideoX，它能将文本、时间、空间三个维度融合起来，参考了Sora的算法设计，它也是一个DiT架构，通过优化，CogVideoX 相比前代（CogVideo）推理速度提升了6倍。目前生成 6s 视频，模型花费的理论时间只需要30s。

二、为什么智谱能做到

为什么包括智谱AI在内的各家都在做多模态模型？

核心是为了让机器能够更好地模拟人类的认知和感知机制，从而提升人工智能系统的整体性能和应用范围。

多模态模型能够处理多种类型的数据，如语言、图像和声音等。这与人类大脑的多模态信息处理能力非常相似，因为人类大脑能够同时接收和处理来自不同感官通道的信息，例如视觉、听觉和触觉。

并且，在多模态模型中，注意力机制被广泛使用来识别和融合不同模态的信息，这种机制在人类大脑中也存在。

因此，智谱AI在 all in 大模型路线之初，就开始多模态领域的相关布局，这也是他们实现实现全系列产品矩阵对标 Open AI 的重要一环。

从2021年开始，智谱AI先后研发了CogView（NeurIPS’21）、 CogView2（NeurIPS’22）、CogVideo（ICLR’23）、Relay Diffusion（ICLR’24）、CogView3 （2024）。

智谱AI的文生视频模型就是基于CogView而来的CogVideo，张鹏谈到了该模型的三大技术特点：首先，为了解决内容连贯性的问题，智谱AI自研了一个3D VAE结构，将原视频空间压缩至 2% 大小，大幅减少了视频扩散生成模型的训练成本和训练的难度。

最后，模型采用了将文本、时间、空间三个维度全部融合起来的 Transformer 的架构，可高效利用模型参数将文本信息和视频信息进行混合。

张鹏也谈到，目前，多模态模型的发展还处于相当初级的阶段，一是从生成视频的效果看，多模态模型对物理世界规律的理解、高分辨率、镜头动作连贯性以及时长等都有很多地方需要提升；二是从模型本身而言，现有的模型架构还不能高效地压缩视频信息，如果多模态模型继续发展，还是需要有更创新的新模型架构出现。

他判断，未来大模型的技术突破方向之一依然是原生多模态大模型，scaling law 将继续发挥作用。